本文介绍了目标检测的基础概念，包括TP、FP、FN等评价指标的定义，以及查准率和查全率的概念。同时对比了一阶段和二阶段检测方法的特点，并简述了它们的应用场景。
在正式学习目标检测之前，首先要了解一下相关的基础知识以及训练指标和专业术语
TP(True Positive)：lOU>0.5的检测数量（同一个Groud Truth只计算一次）图中的0.9cat
FP(False Positive): lOU<=0.5的检测框（或者是检测到同一个GT的多余检测框的数量）
FP（假阳性）实际上不是，但是模型认为它是（0.3的边界框）
FN(False Negative):没有检测到的GT的数量
FN是漏检的GTBOX（人工标注边界框）的个数 右下角还有一只猫，但是漏检了
precision 预测的所有目标中预测正确的比例 tp/(tp+fp) 查准率
recall 所有真实目标中，模型预测正确的目标比例 tp/(tp+fn) 查全率
confidence就是预测目标的一个概率
绘制P-R曲线时要先去除recall的重复信息，相同的recall删除
根据查准率和查全率绘制的P-R曲线
AP就是P-R曲线的面积
目标检测方法主要分为两类：
One-Stage 主要思路：直接通过卷积神经网络提取特征，预测目标的分类与定位；例如SSD、YOLO
Two-Stage 主要思路：先进行区域生成，即生成候选区域（Region Proposal），在通过卷积神经网络预测目标的分类与定位；例如Faster-RCNN
所检测的目标就是前景，不感兴趣的目标就是背景
one stage:检测速度快
two stage:检测更准确
扫一扫
2877
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
